Prompt 做 NLP 任务开发｜ES6 + 模块化

📌 前言：

在 AI 快速普及的当下，前端开发者也能独立搭建文本智能处理系统。本文结合 ES6 标准语法 + ESM 模块化工程思想，讲解如何通过 Prompt 快速开发各类 NLP 文本任务，无需复杂机器学习算法，即可在短时间内实现专业级文本推理能力。

⚙️ 一、ES6 语法特性

��ES6 是 JavaScript 2015 年正式推出的重大版本更新，目的是补足 JS 早期的语法缺陷，让 JS 具备开发大型、复杂、企业级项目的能力。也是我们搭建 NLP 工程的基础语法支撑。

�� 1. let / const 块级变量声明

✅ 彻底解决 var 的变量提升、变量泄露、作用域混乱等历史问题，原生支持块级作用域。

• let、const 不允许重复声明变量
• const 声明的简单数据类型 不允许重新赋值
• const 声明的复杂数据类型（对象/数组）可以修改内部属性 ，但不允许变更内存指向地址

�� 2. 解构赋值（数组、对象）

💯 解构赋值是 ES6 极具优势的语法，可直接从对象、数组中提取数据生成独立变量，代码更简洁、层级更清晰、执行性能优于传统取值方式。

// ES6 对象快速解构赋值：直接提取对象属性生成变量
let { name, age } = {"name": "詹姆斯", "age": 20}
// 打印解构后的变量
console.log(name, age);
// 输出结果：詹姆斯 20

// 定义常规对象数据
let obj = { "name": "姚明", "city": "上海" };

// ES5 传统取值方式：代码冗余
let name = obj.name; 
let city = obj.city;

// ES6核心优势：适配大型企业级项目开发
// 解构赋值：直接从对象提取属性为变量，代码优雅简洁、性能更优
let { name, city } = obj;
console.log(name, city);
// 解构赋值取值性能优于传统 obj.xxx 取值方式
// 输出结果：姚明 上海

拓展运算符 ...（rest / spread）

💡 是 ES6 极简处理数组、集合数据的核心语法，分为两种能力：

• rest 收集：接收剩余所有数据，聚合为数组

// 数组解构 + rest收集运算符：按顺序解构，剩余元素统一收集
let [coach, ...players] = ['范甘迪', '姚明', '麦迪', '穆托姆博', '弗朗西斯'];
// 打印解构结果
console.log(coach, players);
// 输出：范甘迪 [ '姚明', '麦迪', '穆托姆博', '弗朗西斯' ]

• spread 展开：将数组、对象结构展开拆分

// 解构获取第二组球队教练与队员
let [hrCoach, ...hrPlayers] = ['杰克逊', '科比', '费舍尔', '加索尔'];
// spread展开运算符：快速合并两个数组，替代concat方法
let allPlayers = [...players, ...hrPlayers]; 
console.log(allPlayers);
// 输出合并后的完整队员数组

// 对象解构：快速提取对象属性
let obj = { "name": "姚明", "city": "上海" };
let { name, city } = obj;

// 数组解构 + rest收集剩余元素
let [coach, ...players] = ['范甘迪', '姚明', '麦迪', '穆托姆博', '弗朗西斯'];
let [hrCoach, ...hrPlayers] = ['杰克逊', '科比', '费舍尔', '加索尔'];

// spread展开：极简语法快速合并多个数组，性能更优
let allPlayers = [...players, ...hrPlayers];
console.log(allPlayers);

�� 3. ESM 模块化语法

📦 ES6 原生支持模块化体系，是工程化、解耦开发的核心基础，主要包含三种写法：

• import ... from 导入模块

// 导入LLM客户端构造类，用于初始化AI请求实例
import { OpenAI } from "openai";  
// 导入环境变量配置工具，用于读取私密配置
import dotenv from 'dotenv';

• export default 默认导出

// 默认导出：一个模块仅允许唯一默认导出，用于导出核心实例
export default client;//默认导出 只能有一个

• export 按需导出

// 按需导出：可导出多个变量/函数，支持模块按需引入
// export const a = 2;// 直接导出
// export const b = 3;

🧩 🔹 二、前端工程化模块化思想

🚀 大型项目开发不能把所有代码写在同一个文件中，会导致代码臃肿、难以维护、无法复用。通过 ES6 模块化，可以实现代码解耦、功能拆分、按需引入、统一管理。

🌟 1. 模块化带来的优势

• 结构分层清晰，极大提升代码可读性
• 功能独立拆分，便于后期迭代维护、问题排查
• 通用逻辑封装成模块，支持多处复用

�� 2. NLP 项目标准文件结构

🎯 针对 Prompt NLP 文本任务，我们采用标准化工程分层：

• main.mjs：全局唯一入口文件，统一处理路由分发、接口鉴权、任务调度
• client.mjs：封装 AI 请求客户端对象，统一管理请求配置
• completion.mjs：封装所有 NLP 文本处理逻辑与任务函数

⚡ 3. 模块引入方式

🔧 支持默认导出与按需导出混合导入，适配复杂项目开发场景：

// main.mjs 项目统一入口文件
// 导入client默认实例、自定义变量a/b
import client, { a, b } from './client.mjs'
// 按需导入NLP核心推理函数，用于执行文本AI任务
import { getCompletion } from "./completions.mjs";
// 打印客户端实例，验证模块导入成功
console.log(client);

如：

completions.mjs------ 通用的调用函数

// 导入封装好的AI客户端实例
import client  from "./client.mjs";

/**
 * @description 通用文本推理函数，接收Prompt指令，返回AI处理结果
 * @param {String} Prompt - 自定义AI提示词指令
 * @returns {String} AI文本推理结果
 */
export async function getCompletion(Prompt){
    // 调用大模型接口，发起文本对话请求
    const response =await client.chat.completions.create({
        // 读取环境变量配置的模型名称
        model:process.env.DEEPSEEK_MODEL,
        // 组装用户对话消息
        messages:[
            {role:'user',content:Prompt}
        ]
    });
    // 返回大模型处理后的文本内容
    return response.choices[0].message.content;
}

// 预留AI图片生成函数接口
export async function  getImage(Prompt) {
    
}

client.mjs------ 封装 LLM 客户端

// 导入大模型客户端构造方法
import { OpenAI } from "openai";  
// 导入环境变量配置工具
import dotenv from 'dotenv';
// 加载.env文件中的私密配置
dotenv.config();

// 初始化LLM客户端实例，统一管理请求配置
const client = new OpenAI({
    // 读取密钥
    apiKey :process.env.DEEPSEEK_API_KEY,
    // 读取模型接口地址
    baseURL:process.env.DEEPSEEK_API_BASE_URL,
});

// 默认导出客户端实例，供全局项目调用
export default client;

main.mjs

// 导入NLP核心推理函数
import { getCompletion } from "./completions.mjs";

// 主执行函数
async function main() {
  // 业务场景：前端接入LLM大模型，实现NLP文本智能处理
  // 测试文本：电商产品用户评论
  const lamp_review_zh = '我需要一盏漂亮的卧室灯，这款灯具有额外的储物功能，价格也不算太高。\
  我很快就收到了它。在运输过程中，我们的灯绳断了，但是公司很乐意寄送了一个新的。\
  几天后就收到了。这款灯很容易组装。我发现少了一个零件，于是联系了他们的客服，他们很快就给我寄来了缺失的零件！\
  在我看来，Lumina 是一家非常关心顾客和产品的优秀公司！';

  // 自定义Prompt指令：实现文本情感分类NLP任务
   const prompt = `
   以下用三个反引号分隔的产品评论的情感是什么？
   评论文本：```${lamp_review_zh}```
   `;
  // 调用AI函数，执行文本推理
  const response = await getCompletion(prompt);
  // 打印最终NLP处理结果
  console.log(response);
}
// 启动执行主函数
main();

🤖 🔹 三、Prompt 实现主流 NLP 文本任务

�� 传统 NLP 系统搭建，需要机器学习基础、模型训练、数据调优，周期长达数天甚至数周。而基于 Prompt 工程化，仅需简单指令配置，即可快速搭建完整文本推理能力，开发门槛极低、效率极高。

❤️ 1. 情感分类（sentiment analysis）

📊 对文本情绪进行自动判断，输出三类结果：正面、负面、中性。广泛应用于电商评论分析、用户舆情监控、客服情绪预警、产品质量后台分析等场景。

Prompt

// 基础情感识别：判断评论整体情感倾向
const prompt = `
   以下用三个反引号分隔的产品评论的情感是什么？
   评论文本：```${lamp_review_zh}```
   `

// 限定输出格式：仅返回正面/负面，结果更规整
const prompt = `
   以下用三个反引号分隔的产品评论的情感是什么？
   用一个单词回答： 正面 或 负面
   评论文本： ```${lamp_review_zh} ```
   `

// 精细化情感提取：多维度情感标签输出
const prompt = `
   识别以下用三个反引号分隔的产品评论的作者表达的情感。
   包含不超过5个项目。
   将答案格式化为以逗号分隔的单词列表。
   评论文本： ```${lamp_review_zh} ```
   `

// 精准情绪判断：识别用户是否存在愤怒情绪
const prompt = `
   以下用三个反引号分隔的产品评论是否表达了愤怒？
   给出是或否的答案。
   `

�� 2. 信息提取（information extraction）

📋 从无序、冗长的自然文本中，自动抓取关键实体、关键字段、核心业务信息，替代人工筛选，提升数据整理效率。

// 基础信息提取：提取商品、品牌信息，固定JSON格式输出
 const prompt = `
   从评论文本中识别以下项目：
   - 评论者购买的商品
   - 制造该商品的公司
   评论文本用三个反引号分隔。将你的响应格式以"物品（product）"和
  "品牌(brand)"为键的JSON 对象。
   如果信息不存在， 请使用**未知**作为值。
   评论文本: ```${lamp_review_zh} ```
  `

// 多维度信息提取：同时提取情感、情绪、商品、品牌
const prompt =`
    从评论文本中识别以下项目：
    - 情绪(正面或负面)
    - 是否表达了愤怒(是或否)
    - 评论者购买的商品
    - 制造该商品的公司
    评论文本用三个反引号分隔。将你的响应格式化为JSON对象，以"sentiment"、"anger"、"product"、
    "brand"为键。
    如果信息不存在， 请使用**未知**作为值。
    让你的回应尽可能简短。
    将anger 值格式化为布尔值
    评论文本: ```${lamp_review_zh} ```
    `

🏷️ 3. 主题推断

📌 自动识别整篇文本的核心主旨，归纳内容主题，生成分类标签，用于内容归档、文章归类、舆情主题统计。

// 文本主题归纳：自动提取文本核心主题标签
const prompt =`
  确定一下给定文本中讨论的五个主题
  每个主题用1-2单词概括。
  输出时用逗号分隔。
  给定文本:${story_zh}
  `

✍️ 4. 文本总结（summarization）

�� 对长段落、长文章进行智能精简，保留核心关键信息、剔除冗余内容，非常适合管理层、行政岗位、内容编辑日常处理大量文本资料。

同一文本，对prompt进行适当修改，可以聚焦不同地方

// 通用文本总结：全局精简概括
const prompt =`
 你的任务是从电商网站上生成一个产品评论的简单摘要。
 请对三个反引号之间的评论文本进行概括，最多30个词汇。
 评论文本:```${prod_review_zh}```
 `

// 定向总结：聚焦产品运输维度
 const prompt =`
 你的任务是从电商网站上生成一个产品评论的简单摘要。
 请对三个反引号之间的评论文本进行概括，最多30个词汇,并且聚焦在产品运输上。
 评论文本:```${prod_review_zh}```
 `

// 定向总结：聚焦产品价格与质量维度
 const prompt =`
 你的任务是从电商网站上生成一个产品评论的简单摘要。
 请对三个反引号之间的评论文本进行概括，最多30个词汇。
 并且聚焦在产品价格和质量上。
 评论文本:```${prod_review_zh}```
`

处理多条评论文本

循环批量处理

// 定义多条评论数组，实现批量AI总结
const reviews =[review_1,review_2,review_3,review_4];
// 循环遍历所有评论，批量执行NLP总结任务
for(let review of reviews)
{
    // 单条文本总结Prompt
    const prompt=`
    你的任务是从电子商务网站上的产品评论中提取相关信息。
    请对三个反引号之间的评论文本进行概括，最多20个字符。
    评论文本：```${review}```
    `
    // 调用AI接口执行总结
    const response =await getCompletion(prompt);
    // 打印单条总结结果
    console.log(response,'\n');
}

💎 🔹 四、开发价值总结

🌟 借助 ES6 模块化规范搭建工程结构，结合 Prompt 快速调用 AI 能力，几分钟即可完成一套专业级 NLP 文本推理系统。彻底打破传统 AI 开发的技术壁垒，让普通前端开发者也能低成本、高效率实现智能文本处理业务。

📝 全文核心总结

• ✅ 核心语法基础：详细讲解 ES6 企业级开发核心特性，包含 let/const 块级变量声明、rest/spread 拓展运算符、数组与对象解构赋值、ESM 原生模块化语法，搭配实操代码，简洁易懂、实用性强。
• ✅ 工程化模块化思想：依托 ESM 规范实现代码解耦与复用，标准化 NLP 项目目录，划分 main.mjs、client.mjs、completion.mjs 三大核心文件，各司其职，解决传统代码臃肿、难维护、难复用的问题。
• ✅ 四大主流 NLP 能力：基于 Prompt 可快速落地各类文本智能任务，包含情感分类、信息提取、主题推断、文本总结，覆盖办公、电商、舆情监控等多类业务场景。
• ✅ 开发模式核心优势：颠覆传统机器学习繁琐的训练、调优流程，无需专业 AI 功底，仅靠 Prompt 工程化配置，数分钟即可搭建完整文本推理系统，大幅降低 AI 开发门槛，高效轻量化。

🏷️ 掘金标签

JavaScriptES6模块化PromptNLPAI开发